Retratos de video estables es un método innovador de generación híbrida 2D/3D que utiliza modelos preentrenados de texto a imagen (2D) y modelos morfológicos 3D (3D) para generar videos de rostros dinámicos realistas. Esta tecnología mejora los modelos de difusión estables 2D generales a modelos de video mediante un ajuste fino específico de la persona, proporcionando un modelo morfológico 3D de secuencia temporal como condición e introduciendo un proceso de eliminación de ruido temporal para generar imágenes faciales con suavidad temporal. Se pueden editar y deformar en la imagen de un famoso definida por texto sin necesidad de un ajuste fino adicional en tiempo de prueba. Este método supera a los métodos existentes de avatar de cabeza monocular en análisis cuantitativos y cualitativos.